Научная статья на тему 'Об алгоритме обработки сигналов от датчиков магнитного вагона-дефектоскопа'

Об алгоритме обработки сигналов от датчиков магнитного вагона-дефектоскопа Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

366
30
Поделиться

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Максимов М. Н., Цветков Ф. А.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Текст научной работы на тему «Об алгоритме обработки сигналов от датчиков магнитного вагона-дефектоскопа»

Секция теоретических основ радиотехники

УДК 007:001.362

М.Н. Максимов, Ф.А. Цветков ОБ АЛГОРИТМЕ ОБРАБОТКИ СИГНАЛОВ ОТ ДАТЧИКОВ МАГНИТНОГО ВАГОНА-ДЕФЕКТОСКОПА

В течение нескольких лет авторами статьи ведется работа по автоматизации процесса распознавания нерегулярных фрагментов в сигналах от датчиков магнитного вагона-дефектоскопа. Данная задача возникает при попытке облегчить и сделать более эффективной работу оператора магнитного вагона-дефектоскопа. За несколько десятилетий существования и модификации вагонов-дефектоскопов изменялась лишь форма регистрации сигналов от датчиков (на кинопленку, на рулонную фотобумагу, на бумажную ленту, на жесткий диск компьютера), но неизменным оставался принцип расшифровки записанных сигналов - визуальный про, . -фектограмму, оператор по форме её локальных фрагментов определяет, каким реальным объектам железнодорожного полотна они соответствуют (стыку, сварке,

). -ки вагоном около 150 км рельсового пути оператор также за сутки должен визуально проанализировать около тысячи метров дефектограммы на бумажной ленте. С появлением регистраторов на основе персональных компьютеров условия труда оператора в целом не улучшились, так как угол обзора дефектограммы на экране дисплея стал меньше (более плотные изображения использовать нельзя из-за не). -

ективных факторов (опытность оператора, усталость, психологическое состояние, качество записи и т.п.) существенно влияет на результаты расшифровки дефекто-грамм, приводя зачастую к пропуску опасного дефекта. Все это делает задачу автоматизации процесса распознавания нерегулярных фрагментов дефектограммы .

резким ростом возможностей персональных компьютеров.

В основу разрабатываемого алгоритма распознавания нерегулярных фрагментов дефектограммы было положено предположение, что дефектограмму можно представить в виде последовательности образов, параметрами которых являются попарно линейно независимые отсчеты X из последовательности отсчетов сигнала от датчика. В свою очередь предполагалось, что образы дефектограммы можно разделить на классы, причем плотность вероятности параметров образов каждого из классов можно представить в виде суммы нормальных п-мерных распределений

М ;

к( х / ] ) = Е / ]1 ( Х / т ]1 > К ]1 )Р ]1 ,

I = 1

где И(х/]) - плотность вероятности у-класса образов; X - случайный и-мерный вектор; X /) - нормальная и-мерная плотность вероятности; - и-

мерный вектор средних значений; Му - количество категорий (подклассов), на которые распадается у-й класс; Ру1 - априорная вероятность принадлежности случайного вектора X к подклассу I; - и-мерная ковариационная матрица.

Исследование имевшихся в распоряжении авторов дефектограмм, записанных разработанным в Таганрогском государственном радиотехническом университете электронным дефектографом ЭДГ-2А, показало, что образы сварок, поперечных трещин и горизонтальных расслоений головки рельса, а также начального импульса образа накладки могут быть описаны 75 отсчетами (что соответствует отрезку приблизительно 15 см вдоль рельса). Из них близкими к попарно линейно независимым оказалось 13 отсчетов. В связи с этим плотность вероятности параметров образов каждого из классов представлялась в виде суммы нормальных 13.

Для определения параметров 13-мерных нормальных распределений (т, Я), а также количества категорий М, на которые распадаются выборки образов дефек-тограммы одного класса были использованы стандартные методы кластерного анализа. Затем было предложено решающее правило, основанное на использовании критерия максимума апостериорной вероятности:

х{ е х} при р]и{х1 /у) = тахк{ркИ{х1 /к^ ; к, ] = ^...Д где X = {Хь Х2, ... , Х4}; Р. - априорная вероятность того, что XI е Ху.

, - -, ,

. -строение гистограммы, изображенной на рис. 1,а.

Рис.1. Изображения: а) гистограммы; б) текущего отрезка дефектограммы

б

а

Гистограмма строится по текущему фрагменту сигнала, изображенному на рис. 1,6. По уровню, определенному экспертной оценкой, находится величина размаха сигнала 2А„ от неопасных поверхностных повреждений и подкладок (металлических прокладок между рельсами и шпалами), а также значение Lev, равное .

некоторой их текущей совокупности формируется гистограмма и определяются текущие значения ее параметров 2А„ и Lev. Если при этом фиксируется отклонение - Lev

значения Lp, определенному также экспертной оценкой, то запускается процесс распознавания каждого из образов. Затем полученные результаты сопоставляются и делается вывод о наличии в дефектограмме соответствующего образа.

На основании изложенного выше был предложен алгоритм обнаружения об, -ров средних значений, найденных с помощью процедур кластерного анализа. Блок-схема алгоритма приведена на рис. 2.

Рис.2. Блок-схема алгоритма обнаружения

На рис. 2 буквами Ыг и N обозначены последовательности отсчетов сигналов от датчиков магнитного вагона-дефектоскопа, расположенных соответственно над правой и левой рельсовыми нитями. Алгоритм обрабатывает отсчеты сигналов от обоих датчиков одинаково. В бл оке Б1 вычисляются значения переменных Р1=Ьеу и Р2=Ьеу - Ьр, и если значение отсчета сигнала меньше значения переменной Р2, то происходит запуск алгоритма обработки текущего фрагмента сигнала. В блоке Б2 происходит формирование вектора признаков, который поступает в блок Б3, где вычисляются величины Р,Н(х/]) у =1,..., 4. В блоке сравнения Б5 в соответствии с решающим правилом принимается решение о принадлежности фрагмента сигнала множеству X, если величина Р,И(х/]) максимальна.

Созданный программный модуль, реализующий предложенный алгоритм об,

Результаты испытаний показали, что разработанный алгоритм, использующий оценки параметров распределений, полученных стандартными методами кластерного анализа, дает не вполне удовлетворительные результаты - достаточно часто неправильно классифицируются образы из контрольных выборок. Это мож-

, ,

(в распоряжении авторов имелись записи всего от 5 реальных дефектов типа поперечной трещины рельса и 1 реального дефекта типа горизонтального расслоения

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

,

вагона-дефектоскопа). Улучшить качество работы алгоритма можно, если увеличить объем обучающей выборки, дополнив ее новыми записями сигналов от под.

подход к улучшению качества работы алгоритма - путем использования опыта операторов в процедуре обучения, но завершенных результатов пока не получено.

Возможны и другие направления совершенствования алгоритма, из которых перспективными можно считать следующие: отказ от использования отсчетов сигнала в качестве признаков образа и переход к параметрам формы образа; анализ не локальных образов дефектограммы, а структуры дефектограммы, как последовательности локальных образов. Последнее позволит отсеять "плановые" дефекты пути типа конструктивных зазоров в стрелочных переводах и тем самым уменьшить вероятность ложной тревоги.

УДК 534.647

А.М. Полстяной, В.П. Федосов ЛОКАЛИЗАЦИЯ ИСТОЧНИКОВ ШУМА И ВИБРАЦИЙ В ДВИГАТЕЛЯХ ВНУТРЕННЕГО СГОРАНИЯ

Одним из наиболее эффективных методов повышения надежности и долговечности двигателей является диагностирование состояния механизмов и оценка степени износа на основе данных контроля вибрации.

Исходные данные обеспечиваются с помощью трехкоординатных датчиков виброускорений, закрепляемых на поверхности диагностируемого объекта. Выходные сигналы датчиков преобразуются в цифровую форму и вводятся в ПЭВМ.

С помощью прямого и обратного преобразований Фурье, а также выделения

участков спектра на основе априорной информации о скорости вращения деталей в , -

ить трехмерную картину измеренной вибрации механизма с целью определения источников шума а также направления на эти источники.

В работе приведены результаты исследования двигателя внутреннего сгорания. При этом определялись направления на различные источники шума относительно точки расположения датчика. После выделения участков спектра и синтеза по этим составляющим сигналов с помощью ПЭВМ изображались трехмерные . -

. , их соотношению можно судить об уровне шума или стука деталей в двигателе .